近年来,随着互联网技术的飞速发展,许多音乐平台都为用户提供了在线数字音乐服务,方便用户收听音乐。数字音乐因此快速发展起来,人们从音乐短缺的时代走向了音乐过载的时代。音乐过载也带来了一些问题,比如越来越多的用户在使用数字音乐时,不能快速的找到自己喜欢的音乐,同时面对海量在线音乐时难以抉择,因此音乐推荐成为了一个热点研究。同时随着音乐数据库的扩散,传统的基于音乐名称、艺人等文本信息的分类已经不能满足人们的需求,许多音乐播放平台也着手于改善用户的体验。因此,迫切需要引入新的音乐信息,为听众更快速准确的找到其喜欢的音乐。传统的音乐推荐主要注意了用户相似度、项目相似度,忽略了音乐其实是一种精神消费品,收听音乐是人们缓解压力、宣泄心情的一种方式。音乐推荐与其他商品推荐不同,音乐的消费和使用与用户的情绪高度相关。并且同一个人在不同的情绪状态下可能喜欢不同的音乐,不同的人在同一种情绪状态下也可能喜欢不同的音乐。能否将情绪应用于音乐推荐中进而提高推荐准确率是本文研究的重点。本论文的主要研究工作包括以下部分:1.针对不同用户情绪相同时喜欢不同类型音乐,同一用户情绪不同时也喜欢不同类型音乐的问题,提出了一种基于用户本体建模的音乐推荐模型。模型首先分析用户带有情绪的社交动态以及前后30 min收听的音乐记录;然后计算用户对音乐的偏好度,将用户本体、情绪类别与音乐类型联系起来,建立<用户、情绪、音乐类型、偏好度>四元组;最后通过社交动态判断用户的当前情绪,基于已构建的四元组为用户推荐当前情绪状态下可能喜欢的音乐。实验结果证明,本文的基于用户本体建模推荐方法的MAE值相比较基于用户的协同过滤推荐方法和基于内容的推荐方法更低,推荐准确率更高。2.为提高推荐的实时性,提出一种理想音乐情境推荐模型。即根据用户面部表情实时判断用户当前的情绪状态。由于目前没有同时包含音乐类型与面部表情的数据集,本部分针对面部表情的情绪分析做出了研究。利用卷积神经网络对用户的面部图像进行情绪分析,实验结果证明,此方法可以较为准确的分析用户的情绪。3.为进一步提高音乐推荐性能,本文在传统融合歌词与音频的音乐情绪分类方法上做出了改进。本部分将歌词分类器和音频分类器集成到音乐的情绪识别领域,首先分别进行基于歌词的音乐情绪分类和基于音频的音乐情绪分类,然后进行融合歌词与音频的音乐情绪分类。实验结果证明,改进的融合算法比基于歌词的音乐情绪分类方法、基于音频的音乐情绪分类方法以及传统的融合算法的准确率更高,分别提高了13.5%、3.6%和2.1%。